La desigualdad en la participación política de las mujeres ha sido una constante en la escena peruana en todos sus niveles de elección. En las organizaciones politicas, las mujeres representaban la mitad de la militancia pero menos del 30% de la dirigencia nacional. Menos del 7% de candidatos a puestos de regidores nacionales han sido mujeres desde la creación de estos cargos en el 2002. Desde 1995, el primer año en que una mujer formó parte de una candidatura de la fórmula presidencial; menos del 13% de las candidaturas a esta lista han estado compuestas por mujeres (Dirección Nacional de educación y formación cívica ciudadana (DNEF, 2020). Con el fin de revertir esto, en las Elecciones Regionales Municipales (ERM) del 2022, se implementó la ley de alternancia en el Perú. Esto aplica para las elecciones presidenciales (toda la fórmula presidencial) , regionales (fórmula al cargo de gobernador y vicegobernador regional) , municipales (lista para los regidores o concejo municipal) , y en los partidos políticos (las listas de los cargos de dirección) (DNEF, 2022). La ley de paridad y alternancia tuvo impactos en las elecciones internas ERM en términos de género, siendo la más general que el porcentaje de mujeres candidatas en este tipo de elecciones aumentó en 3.9% en comparación de las elecciones internas del 2018 (43.4%) (DNEF, 2022). Esto sugiere que la ley de paridad y alternancia está cumpliéndose al poner a las mujeres en segundo lugar en las elecciones regionales. El porcentaje de mujeres en las precandidaturas en el 2022 como gobernadora regional fue de 28.3%, mientras que para el puesto de vicegobernador regional fue de 71.7% (DNEF, 2022). Sin embargo, esta ley no tuvo impacto en las elecciones municipales para las fórmulas de alcaldía en las elecciones internas ERM 2022, a pesar de que las mujeres candidatas nunca han representado más del 8% del total de las candidaturas. Tanto para los puestos de alcalde provincial como de alcalde distrital, el porcentaje de las precandidaturas de mujeres se mantuvo menor al 15% (10.6% y 11.2%, respectivamente) (DNEF, 2022). Debido a esto, buscamos exponer con el siguiente trabajo la desigualdad que aún persiste en la participación de la mujer en las últimas elecciones ERM municipales a nivel distrital. Esto, con el fin de entender por qué se deberían realizar este trabajo pendiente de aplicar la ley a este nivel y adoptar las medidas para revertir esta desigualdad en la participación política de las mujeres. Consideramos importante un trabajo descriptivo puesto que podría ser fundamental para el estudio posterior En aquellas circunstancias en las que el conocimiento sobre un tópico es menor del que se quisiera, la descripción es necesaria (Gerring, 2012). Es decir, si es que queremos determinar el posible efecto que pueda tener la ley de paridad y alternancia en las elecciones de este tipo, debemos saber sobre aquella de lo que se va buscar hallar su causa según las características que este tenga. Aun así, el ejercicio de descripción es relevante y propio de estudio por cómo podemos ver este fenómeno de desigualdad (Gerring, 2012). Por un lado, como definimos la desigualdad en la participación importa pues, como otro diversos fenómenos estudiados, podemos hablar de la carencia absoluta y relativa. Es decir, podemos optar por la definición de desigualdad comparando si es que, a ciertos niveles, no se alcanzó el 50% de mujeres elegidas en puesto; o acercarnos a esta definición en comparación no del 50%, sino del porcentaje promedio que se haya encontrado a estos niveles (que, por ejemplo, pueda ser 30%). Antes de esta ley, no existía una determinada norma que obligara la postulación participación equitativa de las mujeres en los cargos, ejecutivos como concejales, o en las preferencia en las listas, de regidores o consejo municipal . Es decir, puede que este último porcentaje que planteamos sea mínimo. Aun así, consideramos que es importante de evaluar pues nos puede dar un indicio de que unidades presentan avances mínimos hacia la igualdad de la participación política de las mujeres, aun sin una ley que los obligara.
Para realizar el análisis descriptivo utilizaremos las bases de datos proporcionadas por JNE en su portal web Infogob[https://infogob.jne.gob.pe/BaseDatos] referente a las elecciones municipales distritales 2018. Como un extra también se analiza de forma general las elecciones del 2002, 2006, 2010 y 2014 para ver la evolución de la participación femenina en las elecciones municipales distritales. Estas bases contienen información acerca de los candidatos, el padrón electoral, los resultados electorales a nivel de distrito y las autoridades electas.
El procesamiento de los datos se realizará con el paquete dlpyr de tidyverse y los gráficos con el paquete ggplot2, otras extensiones de este paquete como ggmosaic, magrittr y gganimate y para graficar los mapas del Perú usamos el paquete mapsPERU.
#Activamos las librerías
library(readxl)
library(ggplot2)
library(ggpol)
library(rio)
library(dplyr)
library(tidyverse)
library(magrittr)
library(mapsPERU)
library(sf)
library(ggmosaic)
library(gganimate)
#Importación de datos----
#primero fijamos el directorio donde se ubican los archivos
setwd(paste0(getwd(), "/BD/MUNICIPAL DISTRITAL 2018"))
#Importamos en dataframe cada uno de los archivos
candidatos <- read_xlsx("ERM2018_Candidatos_Distrital.xlsx")
padron <- read_xlsx("ERM2018_Padron_Distrital.xlsx")
resultados <- read_xlsx("ERM2018_Resultados_Distrital.xlsx")
autoridades <- read_xlsx("ERM2018_Autoridades_Distrital.xlsx")
autoridades18 <- read_xlsx("ERM2018_Autoridades_Distrital.xlsx")
autoridades14 <- read_xlsx("ERM2014_Autoridades_Distrital.xlsx")
autoridades10 <- read_xlsx("ERM2010_Autoridades_Distrital.xlsx")
autoridades06 <- read_xlsx("ERM2006_Autoridades_Distrital.xlsx")
autoridades02 <- read_xlsx("ERM2002_Autoridades_Distrital.xlsx")
autoridades18$año <- 2018
autoridades14$año <- 2014
autoridades10$año <- 2010
autoridades06$año <- 2006
autoridades02$año <- 2002
autoridades18 <- autoridades18 %>% select("Región", "Cargo electo", "año", "Sexo")
autoridades14 <- autoridades14 %>% select("Región", "Cargo electo", "año", "Sexo")
autoridades10 <- autoridades10 %>% select("Región", "Cargo electo", "año", "Sexo")
autoridades06 <- autoridades06 %>% select("Región", "Cargo electo", "año", "Sexo")
autoridades02 <- autoridades02 %>% select("Región", "Cargo electo", "año", "Sexo")
autoridades_final <- bind_rows(autoridades18, autoridades14, autoridades10, autoridades06, autoridades02)
### Grafico de indicador de preferencia por sexo y distrito ----
candidatos %>%
group_by(Sexo, Cargo, Distrito) %>%
summarize(count = n()) %>%
# Crea el gráfico mediante ggplot
ggplot(aes(x = Distrito, y = count, fill = Sexo)) +
# Agrega barra con tamaño proporcional a la cantidad de candidatos
geom_bar(stat = "identity", position = "fill") +
facet_wrap(~ Cargo ) + #divide el gráfico por cargo
#Para colocar la leyenda en la parte inferior del gráfico y para no colocar los nombres de Distro en eje x
theme(legend.position = "bottom", axis.text.x = element_blank(), axis.ticks.x = element_blank()) +
# Coloca etiquetas y título. En este gráfico no se considera los nombres del eje x debido a su extensión
ylab("Indicador de preferencia") +
ggtitle("Distribución de Candidatos por distrito")
### Grafico de indicador de preferencia por sexo y distrito ----
unique(candidatos$Region)
## [1] "AMAZONAS" "ANCASH" "APURIMAC" "AREQUIPA"
## [5] "AYACUCHO" "CAJAMARCA" "CUSCO" "HUANCAVELICA"
## [9] "HUANUCO" "ICA" "JUNIN" "LA LIBERTAD"
## [13] "LAMBAYEQUE" "LIMA" "LORETO" "MADRE DE DIOS"
## [17] "MOQUEGUA" "PASCO" "PIURA" "PUNO"
## [21] "SAN MARTIN" "TACNA" "TUMBES" "CALLAO"
## [25] "UCAYALI"
candidatos %>%
group_by(Region, Sexo, Cargo, Distrito) %>%
summarize(count = n()) %>%
ggplot(aes(x = Region, y = count, fill = Sexo)) +
# Agrega barra con tamaño proporcional a la cantidad de candidatos
geom_bar(stat = "identity", position = "fill") +
facet_wrap(~ Cargo ) + #divide el gráfico por cargo
# Para colocar la leyenda en la parte inferior del gráfico
theme(legend.position = "bottom") +
# Coloca etiquetas y título
xlab("Region") +
ylab("Indicador de preferencia") +
ggtitle("Distribución de Candidatos por departamento")+
# Ayuda a convertir los nombres horizontales en verticales, para que no aparezcan superpuestos
theme(axis.text.x = element_text(angle = 90, hjust = 1))
#Distribución de candidatos por Macrorregión (Norte, Centro y Sur)
#Llenamos los valores vacíos de las variables Joven y Nativo
#Luego, agrupamos los departamentos en macrorregiones
candidatos_2 <- candidatos |>
mutate(Joven = ifelse(is.na(Joven), "No Joven", Joven)) |>
mutate(Nativo = ifelse(is.na(Nativo), "No Nativo", Nativo)) |>
mutate(macrorregion = if_else(Region %in% c("AMAZONAS" , "CAJAMARCA","LA LIBERTAD", "LAMBAYEQUE", "LORETO", "PIURA", "SAN MARTIN", "TUMBES"), "Norte",
if_else(Region %in% c("LIMA","ANCASH", "CALLAO", "HUANCAVELICA", "HUANUCO", "JUNIN","MADRE DE DIOS", "PASCO", "UCAYALI"), "Centro",
if_else(Region %in% c("AREQUIPA","APURIMAC", "AYACUCHO", "CUSCO","ICA","MOQUEGUA", "PUNO", "TACNA"), "Sur", "NA"))))
candidatos_2 |>
group_by(macrorregion, Sexo) |>
ggplot()+
geom_mosaic(aes(x = product(macrorregion), fill=Sexo)) +
ggtitle("Distribución de candidatos por macrorregión y sexo")
Los gráficos presentados muestran la desigualdad en la distribución de candidaturas según el cargo, utilizando un indicador de preferencia basado en la cantidad de candidatos. Ambos gráficos, tanto el de distrito como el de departamento, ilustran la brecha entre hombres y mujeres en la participación política. En el gráfico de distrito, se observa que el grupo de alcaldes distritales tiene una mayor cantidad de candidatos masculinos en comparación con las candidatas. Por otro lado, en el grupo de regidores distritales, se ve una mayor participación femenina. Sin embargo, en ambos grupos, los candidatos masculinos tienen una mayor representación en términos del indicador de preferencia. En el gráfico de departamento se aprecia una similar distribución de candidaturas, mostrando la brecha de género en la política.
#Prioridad del candidato a regidor en la lista postulante
#Primeros agrupamos los candidatos de acuerdo a su posición en la lista
#calculamos la cantidad por cada posición y sexo
indice <-candidatos |>
mutate(grupo = cut(`N°`, breaks = seq(from = min(`N°`), to = max(`N°`), by = 1))) |>
group_by(grupo, Sexo) |>
summarise(nro_candidatos=n())
#realizamos un grafico de barras
indice <-as.data.frame(indice)
indice|>
filter(!is.na(grupo)) |>
ggplot()+
aes(x=grupo, fill=Sexo) +
aes(y=nro_candidatos)+
geom_bar(stat = "identity", position = "stack")+
scale_x_discrete(labels = c("1", "2", "3","4", "5","6","7","8","9","10","11","12","13","14","15"))+
labs(title = "Proporción por Sexo según la posición del regidor en la lista") +
xlab("Posición en la lista candidata") +
ylab("Número de Candidatos")
Por otro lado, resulta importante también a analizar la lista de regidores por la posición que ocupa un sexo u otro. A partir de este grafico, se denota que predomina el género masculino en los tres primeros números de una lista para regidores. En cambio, la participación femenina recién es mayor a partir del número cuatro o cinco. De esta manera, se puede concluir que de ganar cierto alcalde, los regidores que serán elegidos de su lista serán hombres.
#Mapa de calor
#construnimos un mapa
#primero, agrupamos los candidatos por departamento, cargo, sexo
#calculamos el porcenatje de participacion por sexo
#luego, cambiamos los valores de la variable region para poder realizar el join
#https://github.com/musajajorge/mapsPERU
candidatos_map <- candidatos_2 |>
group_by(Region,Cargo, Sexo,) |>
summarize(count = n()) |>
mutate(percent = count / sum(count) * 100) |>
mutate(Region=recode(Region,
"AMAZONAS"="Amazonas",
"ANCASH"="Áncash",
"APURIMAC"="Apurímac",
"AREQUIPA"="Arequipa",
"AYACUCHO"="Ayacucho",
"CAJAMARCA"="Cajamarca",
"CALLAO"="Callao",
"CUSCO"="Cusco",
"HUANCAVELICA"="Huancavelica",
"HUANUCO"="Huánuco",
"ICA"="Ica",
"JUNIN"="Junín",
"LA LIBERTAD"="La Libertad",
"LAMBAYEQUE"="Lambayeque",
"LIMA"="Lima",
"LORETO"="Loreto",
"MADRE DE DIOS"="Madre de Dios",
"MOQUEGUA"="Moquegua",
"PASCO"="Pasco",
"PIURA"="Piura",
"PUNO"="Puno",
"SAN MARTIN"="San Martín",
"TACNA"="Tacna",
"TUMBES"="Tumbes",
"UCAYALI"="Ucayali"))
#importamos el shape file del mapa de la libreria mapsPERU
df_mapa <- map_DEP
# realizamos la union de los dos df
df_mapa<-left_join(df_mapa, candidatos_map, by=c("DEPARTAMENTO"="Region"))
#graficamos el mapa incluyendo el porcentaje de participacion femenina
#para ello filtramos el sexo femenino y cargo igual a alcalde distrital,
#puesto que se desea saber el comportamiento de los candidatos a alcalde
df_mapa |>
filter(Sexo=="Femenino", Cargo=="ALCALDE DISTRITAL") |>
ggplot() +
aes(geometry=geometry)+
geom_sf(aes(fill=percent)) +
scale_fill_gradient (low="white", high="red3", name = "Porcentaje")+
labs(title = "Participación femenina a nivel de alcaldes distritales",
subtitle="(Candidatos)") +
theme(axis.line = element_blank(),
axis.text.x = element_blank(),
axis.text.y = element_blank(),
axis.ticks = element_blank(),
axis.title.x = element_blank(),
axis.title.y = element_blank())
A partir de este grafico, se denota que, a nivel de alcaldes distritales, los departamos en los que ha habido mayor participación femenina son los siguientes: Lima, Tumbes, Arequipa y Ucayali. En contraposición a ello, se denota que los departamentos en donde ha habido menos participación son Apurímac, Puno y Cajamarca.
# de igual forma, se realiza el mapa para los candidatos a regidro
df_mapa |>
filter(Sexo=="Femenino", Cargo=="REGIDOR DISTRITAL") |>
ggplot() +
aes(geometry=geometry)+
geom_sf(aes(fill=percent)) +
scale_fill_gradient (low="white", high="red3", name = "Porcentaje")+
labs(title = "Participación femenina a nivel de regidores distritales",
subtitle="(Candidatos)") +
theme(axis.line = element_blank(),
axis.text.x = element_blank(),
axis.text.y = element_blank(),
axis.ticks = element_blank(),
axis.title.x = element_blank(),
axis.title.y = element_blank())
#similar al df de candidatos, se llena los valores vacios
# se agrupa los departamentos pr macrorregion
autoridades_2 <- autoridades |>
mutate(Joven = ifelse(is.na(Joven), "No Joven", Joven)) |>
mutate(Nativo = ifelse(is.na(Nativo), "No Nativo", Nativo)) |>
mutate(macrorregion = if_else(Región %in% c("AMAZONAS" , "CAJAMARCA","LA LIBERTAD", "LAMBAYEQUE", "LORETO", "PIURA", "SAN MARTIN", "TUMBES"), "Norte",
if_else(Región %in% c("LIMA","ANCASH", "CALLAO", "HUANCAVELICA", "HUANUCO", "JUNIN","MADRE DE DIOS", "PASCO", "UCAYALI"), "Centro",
if_else(Región %in% c("AREQUIPA","APURIMAC", "AYACUCHO", "CUSCO","ICA","MOQUEGUA", "PUNO", "TACNA"), "Sur", "NA"))))
# se calcula el porcentaje de participacion por sexo
#y recodifica los valores de la variable region
autoridades_map <- autoridades_2 |>
group_by(Región, `Cargo electo`, Sexo) |>
summarize(count = n()) |>
mutate(percent = count / sum(count) * 100) |>
mutate(Región=recode(Región,
"AMAZONAS"="Amazonas",
"ANCASH"="Áncash",
"APURIMAC"="Apurímac",
"AREQUIPA"="Arequipa",
"AYACUCHO"="Ayacucho",
"CAJAMARCA"="Cajamarca",
"CALLAO"="Callao",
"CUSCO"="Cusco",
"HUANCAVELICA"="Huancavelica",
"HUANUCO"="Huánuco",
"ICA"="Ica",
"JUNIN"="Junín",
"LA LIBERTAD"="La Libertad",
"LAMBAYEQUE"="Lambayeque",
"LIMA"="Lima",
"LORETO"="Loreto",
"MADRE DE DIOS"="Madre de Dios",
"MOQUEGUA"="Moquegua",
"PASCO"="Pasco",
"PIURA"="Piura",
"PUNO"="Puno",
"SAN MARTIN"="San Martín",
"TACNA"="Tacna",
"TUMBES"="Tumbes",
"UCAYALI"="Ucayali"))
Respecto a este grafico, cabe resaltar que, en contraposición al anterior, la participación femenina alcanza una mayor proporción llegando casi al 50% a diferencia del 15% a nivel de alcaldes distritales. Asimismo, se denota que los departamos con mayor proporción femenina a nivel de regidores distritales son los siguientes: Ica, Ucayali, Arequipa y Tacna. Sin embargo, se denota que los departamentos en donde ha habido menos participación son Apurímac, Puno y Cajamarca.
En conclusión, se observa que existe una tendencia que la menor participación femenina se encuentre en los departamentos de Apurímac, Puno y Cajamarca, pues en ambos gráficos se han resaltado por ello.
#Primero comprobamos que clase es la variable joven para poder completar la categoria faltante, como para la variable nativo.
class(autoridades$Joven)
## [1] "character"
autoridades <- autoridades |>
dplyr::mutate(Joven = ifelse(is.na(Joven), "No Joven", Joven)) |>
dplyr::mutate(Nativo = ifelse(is.na(Nativo), "No Nativo", Nativo))
autoridades <- as.data.frame(autoridades)
### Gráfico de parlamento de las ganadores a regidores municipales distritales por juventud y sexo ----
#Creamos un cuadro resumen para ver la cantidad de REGIDORES DISTRITALES electos, filtrando solo este grupo usando filter().
#Luego, agrupamos estas observaciones por si son jovenes o no y su sexo con la funcion group_by()
#Por ultimo, resumimos estos datos contando cuantas observaciones existen, lo reducimos a centenas y redondeamos.
aut_sum <- autoridades |>
filter(autoridades$`Cargo electo`== "REGIDOR DISTRITAL") |>
dplyr::group_by(Joven, Sexo) |>
dplyr::summarise(regidores=round(n()/100))
#para elaborar el cuadro, debemos agregar la columna de colors con el color correspondiente que queramos usando mutate.
#Sin embargo, este esta determinado por la combinacion entre Joven y Sexo que se haga, por ello usamos case_when.
aut_sum <-aut_sum |>
mutate(colors = case_when(Joven == 'Joven' & Sexo == 'Femenino' ~ 'lightpink',
Joven == 'Joven' & Sexo == 'Masculino' ~ 'lightblue',
Joven == 'No Joven' & Sexo == 'Femenino' ~ 'red',
Joven == 'No Joven' & Sexo == 'Masculino' ~ 'blue'
)) |>
mutate(Sexo_Joven = case_when(Joven == 'Joven' & Sexo == 'Femenino' ~ 'Joven Femenina',
Joven == 'Joven' & Sexo == 'Masculino' ~ 'Joven Masculino',
Joven == 'No Joven' & Sexo == 'Femenino' ~ 'No joven femenina',
Joven == 'No Joven' & Sexo == 'Masculino' ~ 'No joven masculino'))
#Por ultimo, usamos una extension de ggplot, geom_parluament, para representar a los regidores distritales por juventud y sexo.
aut_sum |>
ggplot() +
geom_parliament(aes(seats = regidores, fill = Joven), color = "black") +
scale_fill_manual(values = aut_sum$colors, labels = aut_sum$Joven) +
coord_fixed() +
theme_void()+
labs(title = "Regidores distritales por juventud y sexo",
subtitle="(En centenas)")+
scale_fill_manual(name = "",
values = aut_sum$colors,
labels = c("Joven Mujer", "Joven Hombre", "No Joven Mujer", "No Joven Hombre"))
Si juntamos a todos los regidores municipales distritales elegidos por sexo y los dividimos por si son jovenes o no, obtenemos los siguientes resultados en centenas. Primero, podemos ver que la mayoría del grupo estaria compuesto por hombres, tanto jovenes como no jovenes, puesto que representan más del 70% de los representantes escogidos en el 2018. Sin embargo, parece que sí existe una diferenciación a nivel de juventud. Pues, al analizar estos datos para los representantes que son jovenes, las mujeres son el 62.5% de los representantes, mientras que para los representantes no jovenes, los hombres son el 76.9% en esta subseccion. Así, parece que existe una mayor proporcion de representantes jovenes elegidas como regidoras municipales distritales en el 2022, aunque no se puede ver lo mismo para el grupo de los representantes no jovenes.
### Gráfico de parlamento de las ganadores a alcaldia municipal distrital jovenes y no jovenes por sexo ----
aut_sum2 <- autoridades |>
filter(autoridades$`Cargo electo`== "ALCALDE DISTRITAL") |>
dplyr::group_by(Joven, Sexo) |>
dplyr::summarise(alcaldes=round(n()))
aut_sum2 <-aut_sum2 |>
mutate(colors = case_when(Joven == 'Joven' & Sexo == 'Femenino' ~ 'lightpink',
Joven == 'Joven' & Sexo == 'Masculino' ~ 'lightblue',
Joven == 'No Joven' & Sexo == 'Femenino' ~ 'red',
Joven == 'No Joven' & Sexo == 'Masculino' ~ 'blue'
)) |>
mutate(Sexo_Joven = case_when(Joven == 'Joven' & Sexo == 'Femenino' ~ 'Joven Femenina',
Joven == 'Joven' & Sexo == 'Masculino' ~ 'Joven Masculino',
Joven == 'No Joven' & Sexo == 'Femenino' ~ 'No joven femenina',
Joven == 'No Joven' & Sexo == 'Masculino' ~ 'No joven masculino'))
aut_sum2 |>
ggplot() +
geom_parliament(aes(seats = alcaldes, fill = Joven), color = "black") +
scale_fill_manual(name = "",
values = aut_sum2$colors,
labels = c("Joven Mujer", "Joven Hombre", "No Joven Mujer", "No Joven Hombre")) +
coord_fixed() +
theme_void()+
labs(title = "Alcaldes distritales jovenes y no jovenes por sexo",
subtitle="(En proporción)")
En comparación con los regidores, parece que esta situación de mayor eleccion masculina no se invierte en el grupo de los jovenes. Podemos ver que, igualmente que en la situación de los regidores, la mayoría del grupo estaria compuesto por hombres, tanto jovenes como no jovenes, puesto que representan más del 90% de los alcaldes escogidos en el 2018. Al analizar estos datos para los alcades que son jovenes, las mujeres no son ni el 6% de los representantes, mientras que para los representantes no jovenes, las mujeres no son ni el 10% de los alcaldes elegidos. De esta manera, existe una mayor proporcion de representantes jovenes y no jovenes elegidos que son hombres en las elecciones de alcaldia municipales distritales en el 2022. Esto se puede deber a que el puesto de alcaldia implica mayor exposicion y poder en comparación con los regidores. Debido a ciertos prejuicios que se mantienen sobre las caracteristicas de una mujer, puede que se crea que estas no son adecuadas ni para postular a estos puestos (decision que se toma por parte de las agrupaciones politicas) ni para ejercerlos (decision de los votantes).
#Distribución de autoridades elegidas por macrorregion
autoridades_2 <- autoridades |>
mutate(Joven = ifelse(is.na(Joven), "No Joven", Joven)) |>
mutate(Nativo = ifelse(is.na(Nativo), "No Nativo", Nativo)) |>
mutate(Macrorregion = if_else(Región %in% c("AMAZONAS" , "CAJAMARCA","LA LIBERTAD", "LAMBAYEQUE", "LORETO", "PIURA", "SAN MARTIN", "TUMBES"), "Norte",
if_else(Región %in% c("LIMA","ANCASH", "CALLAO", "HUANCAVELICA", "HUANUCO", "JUNIN","MADRE DE DIOS", "PASCO", "UCAYALI"), "Centro",
if_else(Región %in% c("AREQUIPA","APURIMAC", "AYACUCHO", "CUSCO","ICA","MOQUEGUA", "PUNO", "TACNA"), "Sur", "NA"))))
autoridades_2 |>
group_by(Macrorregion, Sexo) |>
ggplot()+
geom_mosaic(aes(x = product(Macrorregion), fill=Sexo)) +
ggtitle("Distribución de autoridades electas por macrorregión y sexo")
#Gráfico a nivel nacional de la proporción de alcades distritales por sexo:
autoridades %>%
filter(`Cargo electo` == "ALCALDE DISTRITAL") %>%
group_by(Sexo) %>%
summarize(count = n()) %>%
mutate(percent = count/sum(count)) %>%
ggplot(aes(x = "", y = percent, fill = Sexo)) +
geom_bar(width = 1, stat = "identity", position = "fill") +
geom_text(aes(label = scales::percent(percent)), position = position_stack(vjust = 0.5))+
scale_y_continuous(labels = scales::percent) +
ggtitle("Proporción Nacional de Alcaldes Distritales por Género") +
xlab("Alcaldes distritales a nivel Nacional") +
ylab("Proporción por Sexo") +
theme(legend.position = "bottom", axis.text.x = element_blank(), axis.ticks.x = element_blank())
#ggsave("grafico1.png", plot = last_plot(), width = 6, height = 4, units = "in")
### Grafico de regidores distritales por sexo y distrito ----
autoridades %>%
filter(`Cargo electo` == "REGIDOR DISTRITAL") %>%
group_by(Sexo, Distrito) %>%
summarize(count = n()) %>%
ggplot(aes(x = Distrito, y = count, fill = Sexo)) +
geom_bar(stat = "identity", position = "fill") +
theme(legend.position = "bottom", axis.text.x = element_blank(), axis.ticks.x = element_blank()) +
ylab("Proporción por Sexo") +
ggtitle("Distribución de Regidores Distritales por distrito")
#ggsave("grafico2.png", plot = last_plot(), width = 6, height = 4, units = "in")
### Grafico de autoridades distritales por sexo y departamento ----
unique(autoridades$Región)
## [1] "AMAZONAS" "ANCASH" "APURIMAC" "AREQUIPA"
## [5] "AYACUCHO" "CAJAMARCA" "CUSCO" "HUANCAVELICA"
## [9] "HUANUCO" "ICA" "JUNIN" "LA LIBERTAD"
## [13] "LAMBAYEQUE" "LIMA" "LORETO" "MADRE DE DIOS"
## [17] "MOQUEGUA" "PASCO" "PIURA" "PUNO"
## [21] "SAN MARTIN" "TACNA" "TUMBES" "CALLAO"
## [25] "UCAYALI"
autoridades %>%
group_by(Región, Sexo, `Cargo electo`, Distrito) %>%
summarize(count = n()) %>%
ggplot(aes(x = Región, y = count, fill = Sexo)) +
geom_bar(stat = "identity", position = "fill") +
facet_wrap(~ `Cargo electo` ) +
theme(legend.position = "bottom") +
xlab("Region") +
ylab("Proporción por Sexo") +
ggtitle("Distribución de Autoridades por departamento")+
theme(axis.text.x = element_text(angle = 90, hjust = 1))
#ggsave("grafico3.png", plot = last_plot(), width = 6, height = 4, units = "in")
#Distribución de autoridades por Macrorregión (Norte, Centro y Sur)
autoridades <- as.data.frame(autoridades)
autoridades_2 <- autoridades |>
mutate(Joven = ifelse(is.na(Joven), "No Joven", Joven)) |>
mutate(Nativo = ifelse(is.na(Nativo), "No Nativo", Nativo)) |>
mutate(macrorregion = if_else(Región %in% c("AMAZONAS" , "CAJAMARCA","LA LIBERTAD", "LAMBAYEQUE", "LORETO", "PIURA", "SAN MARTIN", "TUMBES"), "Norte",
if_else(Región %in% c("LIMA","ANCASH", "CALLAO", "HUANCAVELICA", "HUANUCO", "JUNIN","MADRE DE DIOS", "PASCO", "UCAYALI"), "Centro",
if_else(Región %in% c("AREQUIPA","APURIMAC", "AYACUCHO", "CUSCO","ICA","MOQUEGUA", "PUNO", "TACNA"), "Sur", "NA"))))
autoridades_2 %>%
group_by(macrorregion, Sexo) %>%
summarize(count = n()) %>%
mutate(percent = count / sum(count) * 100) %>%
ggplot(aes(x = macrorregion, y = percent, fill = Sexo)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = paste0(round(percent, 1), "%")), position = position_stack(vjust = 0.5)) +
ggtitle("Distribución de Autoridades por macrorregión y sexo") +
xlab("Macrorregión") +
ylab("Proporción por Sexo")
#ggsave("grafico4.png", plot = last_plot(), width = 6, height = 4, units = "in")
# se importa el df de para graficar el mapa por autoridades electas
df_mapa_autoridades <- map_DEP
df_mapa_autoridades<-left_join(df_mapa_autoridades, autoridades_map, by=c("DEPARTAMENTO"="Región"))
# se grafica la participacion femenina de las alcadesas electas
df_mapa_autoridades |>
filter(Sexo=="Femenino", `Cargo electo` == "ALCALDE DISTRITAL") |>
ggplot() +
aes(geometry=geometry)+
geom_sf(aes(fill=percent)) +
scale_fill_gradient (low="white", high="red3", name = "Porcentaje")+
labs(title = "Participación femenina a nivel de alcaldes distritales",
subtitle="(Autoridades electas)") +
theme(axis.line = element_blank(),
axis.text.x = element_blank(),
axis.text.y = element_blank(),
axis.ticks = element_blank(),
axis.title.x = element_blank(),
axis.title.y = element_blank())
A partir de este grafico, se observa que si bien Ica y San Martín no eran las regiones con mayor participación femenina en las elecciones a nivel de alcaldes distritales, sí son aquellas en las que mayor postulantes femeninas fueron electas. Por otro lado, se resalta que los departamentos en los que casi ninguna candidata femenina fue electa son Apurímac, Moquegua y Pasco.
# se grafica la participacion femenina de las regidoras electas
df_mapa_autoridades |>
filter(Sexo=="Femenino", `Cargo electo` =="REGIDOR DISTRITAL") |>
ggplot() +
aes(geometry=geometry)+
geom_sf(aes(fill=percent)) +
scale_fill_gradient (low="white", high="red3", name = "Porcentaje")+
labs(title = "Participación femenina a nivel de regidores distritales",
subtitle="(Autoridades electas)") +
theme(axis.line = element_blank(),
axis.text.x = element_blank(),
axis.text.y = element_blank(),
axis.ticks = element_blank(),
axis.title.x = element_blank(),
axis.title.y = element_blank())
A partir de este grafico, se observa que, si bien el departamento de Madre de Dios no era uno de los que contaba con mayor participación femenina a nivel de regidores distritales, sí lo son respecto a la cantidad de mujeres electas con dicho cargo. Por otro lado, Cajamarca y Cusco son las regiones en que menos mujeres fueren electas como regidores distritales.
#####
colnames(autoridades_final)[2] <- "Cargo"
autoridades_final_sum <- autoridades_final |>
group_by(Región, Cargo, año, Sexo) |>
summarize(count = n()) |>
mutate(Porcentaje = round(count / sum(count) * 100, digit=2))
#Alcalde distrital:
al_dist_sum<- autoridades_final_sum|>
filter(Sexo == "Femenino", Cargo == "ALCALDE DISTRITAL") |>
group_by(año) |>
arrange(año, desc(Porcentaje)) |>
mutate(ranking=row_number())%>%
filter(ranking <= 10)
animacion_al <- al_dist_sum |>
ggplot() +
geom_col(aes(ranking, Porcentaje, fill = Región )) +
geom_text(aes(ranking, Porcentaje, label = sprintf("%.2f", Porcentaje)), hjust=-0.1) +
geom_text(aes(ranking, y=0 , label = Región), hjust=1.1) +
geom_text(aes(x=6, y=max(Porcentaje) , label = as.factor(año)), vjust = 0.2, alpha = 0.5, col = "gray", size = 20) +
coord_flip(clip = "off", expand = FALSE) + scale_x_reverse() +
theme_minimal() + theme(
panel.grid = element_blank(),
legend.position = "none",
axis.ticks.y = element_blank(),
axis.title.y = element_blank(),
axis.text.y = element_blank(),
plot.margin = margin(2, 8, 4, 12, "cm")
) +
transition_states(año, state_length = 0, transition_length = 2) +
labs(title = "Porcentaje de participación femenina en las alcaldías distritales") +
enter_fade() +
exit_fade() +
ease_aes('quadratic-in-out')
animate(animacion_al, width = 1000, height = 800, fps = 25, duration = 30, rewind = FALSE)
A partir de este gráfico dinámico, se denota que si bien Ucayali era el departamento con mayor porcentaje de participación femenina a nivel de alcaldías distritales en 2002; en 2018, lo fue Ica, San Martín y Tumbes. Asimismo, se resalta que Lambayeque es uno de los departamentos en los que se requiere atención, pues, para el 2018, no se encuentra ni entre las diez primeras regiones con mayor participación, lo cual sucedió en el 2002.
#Regidor distrital:
reg_dist_sum<- autoridades_final_sum|>
filter(Sexo == "Femenino", Cargo == "REGIDOR DISTRITAL") |>
group_by(año) |>
arrange(año, desc(Porcentaje)) |>
mutate(ranking=row_number())%>%
filter(ranking <= 10)
animacion_reg <- reg_dist_sum |>
ggplot() +
geom_col(aes(ranking, Porcentaje, fill = Región )) +
geom_text(aes(ranking, Porcentaje, label = sprintf("%.2f", Porcentaje)), hjust=-0.1) +
geom_text(aes(ranking, y=0 , label = Región), hjust=1.1) +
geom_text(aes(x=6, y=max(Porcentaje) , label = as.factor(año)), vjust = 0.2, alpha = 0.5, col = "gray", size = 20) +
coord_flip(clip = "off", expand = FALSE) + scale_x_reverse() +
theme_minimal() + theme(
panel.grid = element_blank(),
legend.position = "none",
axis.ticks.y = element_blank(),
axis.title.y = element_blank(),
axis.text.y = element_blank(),
plot.margin = margin(2, 8, 4, 12, "cm")
) +
transition_states(año, state_length = 0, transition_length = 2) +
labs(title = "Porcentaje de participación femenina en cargos de regidoras distritales") +
enter_fade() +
exit_fade() +
ease_aes('quadratic-in-out')
animate(animacion_reg, width = 1000, height = 800, fps = 25, duration = 30, rewind = FALSE)
Si bien, desde el año 1955, las mujeres en el Perú adquirieron el derecho a votar y a ser elegidas, la participación política de la mujer se ha caracterizado por ser minoritaria al momento de postular como al momento de ser elegida. Esto es reflejado aun en las elecciones municipales del 2018.
Para las candidaturas,
Para las autoridades electas,
Como recomendaciones, Reconocemos que hacen falta políticas de sensibilización y de educación para mejorar el escenario en las elecciones de alcaldesas. Mejoras en la ley de cuotas sobre los partidos para mejorar la presencia femenina de regidoras y alcaldesas a nivel nacional.
Dirección Nacional de educación y formación cívica ciudadana. (2022). Paridad y alternancia en las elecciones internas ERM 2022.
Direccion Nacional de Educación y Formación Cívico Ciudadana. (2020). Paridad y alternancia de género en las listas electorales Ley 31030.
Gerring, J. (2012). Mere description. British Journal of Political Science, 42(4), 721–746. [https://doi.org/10.1017/S0007123412000130]
Infogob (2023). Observatorio para la gobernabilidad. Disponible en: [https://infogob.jne.gob.pe/]